Ramp が構築したトークン外思考型 AI エージェント

コード生成の罠を避ける：Ramp が挑む「人間と同じ手順」で動く AI エージェントの実態

エンタープライズ向け AI において、最も大きな障壁は「ブラックボックス化」への不信感です。Ramp はこの課題に対し、Python コードを生成して裏側で処理する従来のアプローチを捨て、「財務担当者が Loom で録画した動画と同じ手順」で Excel を直接操作するエージェント「Ramp Sheets」を開発しました。

本記事では、Ramp がなぜコード生成を拒否し、人間の業務フローを忠実に再現する設計を選んだのか。さらに、AI が文脈から逸脱しないための「ステアリングベクトル」や、エラーを検知して自己修正する自律監視の仕組みなど、その背後にある革新的なアーキテクチャと戦略を解説します。

財務のプロが求めるのは「透明性」：コード生成ではなく操作の再現

Ramp Sheets の開発背景には、社内財務チームとの対話がありました。当初はデータマイニングプロジェクトとして始まったこの取り組みでは、財務担当者が Loom で録画した動画から業務プロセスを抽出し、それを自動化する試みがなされました。

しかし、最初の試みであった「Python コードを生成して Excel を操作させる」アプローチは、現場の財務プロフェッショナルから却下されました。彼らにとって、pandas のインポートやデータフレームの変換といったコードの羅列は理解不能であり、結果がどう導き出されたか分からない「ブラックボックス」だったからです。

「時間を節約するのは素晴らしいですが、ミスを犯すのは不釣り合いに悪影響が大きいです。金融のプロにとって、ブラックボックス化された自動化は十分ではありませんでした。」

Ramp のチームはこのフィードバックを受け止め、根本的な方針転換を行いました。彼らは「コードを生成する」のではなく、「人間が動画で示したのと同じ手順」をエージェントに実行させることにしたのです。

具体的には、財務担当者が Excel を開き、特定のセルを読み込み、数式を入力し、別シートを作成して帳尻合わせをする一連の動作を、AI エージェントが忠実に模倣します。このアプローチにより、財務担当者は AI が「どの行を読み、どこに書き込んだか」を人間と同じ Excel の画面で確認できます。

「彼らは専門家です。Excel スプレッドシートを解析し、数式やその組み合わせを理解する能力は、私たちがコードを読むよりも得意なんです。」

この透明性の確保が、Ramp Sheets が金融現場で受け入れられた最大の要因となりました。結果として、95% のケースで Excel 固有のツール（セル読み込み、書式設定など）を使用し、Python コード生成は最終手段としてのみ利用する設計となっています。

プロセスマイニングから AI エージェントへ：Loom 動画が持つ価値

Ramp Sheets の基盤には、驚くほどシンプルかつ強力な「プロセスマイニング」の仕組みがあります。多くの企業では、業務プロセスを文書化するために Notion ドキュメントや SOP（標準作業手順書）を作成しますが、これらは作成に多大な労力を要します。

一方、Loom 動画は圧倒的に低コストでプロセスを記録できます。財務担当者が Excel を操作する様子を録画し、ナレーションを添えるだけで、複雑な業務フローが可視化されます。Ramp はこの動画を解析し、以下の形式で構造化データを生成します。

1. テキストによる記述: プロセスの概要を自然言語で説明。
2. 有向グラフ（DAG）: 「銀行口座を開く→請求書を取得→シート 1 に記録→帳簿を確認」といった依存関係とタスクの流れを Graphviz 形式で定義。

このプロセスマイニングにより、AI エージェントは「何をすべきか」だけでなく、「どの順序で、どのツールを使うべきか」を文脈として獲得します。これにより、単なるチャットボットではなく、実際の業務フローを再現する自律的なパートナーへと進化しました。

自己監視と自己修正：エラーを検知して改善するループ

Ramp Sheets は、生成された結果が不十分だった場合でも、人間に任せるのではなく「自己監視」機能で対応します。内部のコーディングエージェントが出力を検証し、基準を満たさない結果をフィルタリングします。

この自律的な改善サイクルは以下の通りです。

1. エージェントがタスクを実行する。
2. 別のエージェント（または同一システムの検証モジュール）が結果を検証する。
3. 不十分な結果と判断された場合、自動的に修正を試みるか、エンジニアに報告して人間による介入を促す。
4. 十分と判断されれば、完了として扱われる。

この仕組みにより、AI が単発で失敗するリスクを大幅に低減し、信頼性の高い自動化を実現しています。特に、複雑な財務業務（FP&A など）ではモデルが分布外の事象に対して振る舞えない場合もありますが、反復的な帳尻合わせや簿記業務においては、この自己監視ループが極めて高い精度を発揮します。

トークン外思考の実験：AI が「文脈から逸脱」するのを防ぐ技術

さらに Ramp は、LLM が会話の文脈から逸脱した際にも、話題を修正して自己認識させる実験に成功しています。これは「ステアリングベクトル（Steering Vector）」と呼ばれる技術を用いたものです。

通常、AI はトークン空間で通信しますが、Ramp の実験では推論プロセスに特定のベクトルを追加することで、モデルが「なぜ今スパゲッティの話をしているのか？質問は人生の意味についてのはずだ」といった自己認識を行う挙動を確認しました。これは、AI が自分の思考の方向性を自覚し、文脈から外れた場合にも修正を加える能力を模倣したものです。

この技術は、エンタープライズ環境において AI が「ハルシネーション（嘘をついたり、無関係な話をしたりする）」を起こすリスクを減らす重要な指針となります。特に、高リスクな金融業務においては、AI の発言が文脈から逸脱しないことが信頼性の前提条件です。

厳格な検証戦略：人間による評価とサンドボックスの活用

Ramp Sheets は、LLM による自動評価に依存せず、専門家の人間判断を最終的な検証プロセスに組み込んでいます。各セッションは独立したサンドボックス内で実行され、Excel の操作やコードの実行が安全に行われます。

また、ツールセットの設計にも工夫があります。約 10 種類の Excel 固有ツール（範囲読み込み、書式設定など）を提供し、エンタープライズモデル（Anthropic の Claude ファミリーなど）がこれらの具体的なアクションを正確に実行できるよう整列させています。これは、汎用的な Bash コマンドのような単一ツールではなく、Excel 操作の文脈に特化した設計です。

「モデルが学習したツールと同様のツールを提供し、整列させるのがベストプラクティスです。」

このように、Ramp は「コード生成」から「操作の再現」へ、「ブラックボックス」から「透明性のあるプロセス」へと、エンタープライズ AI の在り方を再定義しました。これは単なる自動化ツールの進化ではなく、AI が人間の業務フローを忠実に理解し、自律的に改善しながら協働する未来への第一歩です。